لمعالجة المشكلات الحالية في خوارزميات اكتشاف العيوب الصناعية مثل انخفاض دقة اكتشاف العيوب الصغيرة، وضعف قدرة استخراج الميزات متعددة المقاييس، وانخفاض دقة تقسيم الاستثناءات، تم اقتراح شبكة كشف استثناء صناعية تدمج التوجيه المتبقي عالي التردد ودمج الميزات متعددة المقاييس ذات الانتباه. أولاً، لمشكلة فقدان التفاصيل عالية التردد الناتجة عن المعالجة التقليدية لكل الترددات، تم تصميم استراتيجية فصل المجال الترددي باستخدام مرشح نواة Gaussian لاستخراج الميزات المتبقية عالية التردد، لتعزيز قدرة الشبكة على اكتشاف العيوب الصغيرة؛ ثانياً، لمعالجة ضعف قدرة الشبكات التقليدية على تمثيل الأنماط المعقدة وانخفاض التمييز بين الاستثناءات والخلفية، تم تضمين وحدة انتباه متعددة المقاييس معززة عالمياً GEMA في مرحلة الترميز لشبكة التمييز، عبر مسارين متوازيين لالتقاط المعلومات المحلية متعددة المقاييس في الاتجاه الأفقي والعمودي، لتعزيز الميزات البارزة في مواقع فضائية مختلفة وتحسين التمييز تحت خلفيات نسيجية معقدة؛ أخيراً، في مرحلة فك التشفير لشبكة التمييز، تم دمج وحدة انتباه إحداثية CoordAtt التي تفكك محاور الإحداثيات لتعديل وزن الميزات ديناميكياً، لتحقيق تحديد مكاني دقيق لمناطق الاستثناء. أظهرت التجارب على مجموعة بيانات MVTec AD أن متوسط AUROC على مستوى الصورة للنموذج المحسن هو 98.6%، ومتوسط AUROC ومستوى البكسل وAP على التوالي 97.6% و73.2%، مما يحسن بشكل فعال من أداء اكتشاف استثناءات الصناعة.

كشف استثناءات الصناعة;توجيه المكونات عالية التردد;الإدراك المكاني متعدد المقاييس;آلية الانتباه